IA del Weizmann reconstruye imágenes vistas a partir de fMRI

El Instituto Weizmann de Ciencias, en Rejovot (Israel), desarrolló un modelo de inteligencia artificial llamado Brain-IT que reconstruye la imagen que una persona está mirando a partir de un escáner de resonancia magnética funcional (fMRI). Según los autores, con apenas 1 hora de datos de un sujeto nuevo logra resultados comparables a los de métodos actuales entrenados con 40 horas.

La resonancia magnética funcional mide el flujo de sangre oxigenada en el cerebro, que sirve como indicador de qué zonas están activas. El trabajo lo dirige la profesora Michal Irani, con Roman Beliy, Amit Zalcher, Jonathan Kogman y Navve Wasserman. El instituto lo presentó en un comunicado publicado el 14 de septiembre de 2026; el artículo científico está en arXiv y fue aceptado en la conferencia ICLR 2026.

Cómo funciona

Brain-IT tiene dos ramas: una predice la estructura de la imagen (por ejemplo, dónde van los colores) y otra su contenido. Ambas guían a un modelo de difusión, el tipo de IA que genera imágenes limpiando de forma gradual un ruido de píxeles, para producir la reconstrucción.

Los autores agrupan los vóxeles (las unidades de volumen cerebral que mide el escáner) en grupos funcionales compartidos por todas las personas. Así el modelo aprende a «leer» a un sujeto nuevo con pocos datos.

Había otro obstáculo: los conjuntos públicos de fMRI son pequeños. El mayor, el Natural Scenes Dataset, reúne a 8 participantes que vieron miles de imágenes cada uno. Para compensarlo, el equipo entrenó un codificador que predice el escáner a partir de una imagen y generó así escáneres sintéticos. Irani dijo a MIT Technology Review que cerca del 70 % de los datos de entrenamiento proviene de imágenes que nunca se mostraron en una resonancia.

Qué dicen las cifras y quién las dice

La cifra de las 40 horas corresponde al conjunto completo de datos por sujeto en el Natural Scenes Dataset, según la página del proyecto. La comparación de una hora es un resultado de los propios autores: lo describen como «comparable» a los métodos entrenados con las 40 horas, no como idéntico. En su comparación general, afirman que Brain-IT supera a todos los métodos de referencia en 7 de 8 métricas, promediadas en cuatro sujetos del conjunto de datos. En las fuentes revisadas no hay una evaluación independiente.

El costo es una estimación de un tercero. Tommy Sprague, neurocientífico de la Universidad de California en Santa Bárbara que no participó en el estudio, dijo a MIT Technology Review que una hora de imágenes cuesta «algo así como» entre 600 y 1.000 dólares y que ninguno de los investigadores del campo puede pagar 40 horas de escáner por cada sujeto nuevo. Con ese rango aproximado, 40 horas costarían alrededor de 24.000 a 40.000 dólares, frente a 600 a 1.000 dólares por una hora (cálculo de PrimixIA a partir de la estimación de Sprague).

Límites del sistema

El modelo falla. Irani mostró ejemplos en los que una tarta se reconstruyó como una pila de tres sándwiches y un perro en una bañera, como una cabra de color parecido en una bañera.

Las aplicaciones que se mencionan son objetivos de los investigadores, no resultados: ayudar a comunicarse a personas con síndrome de enclaustramiento o recrear el contenido de los sueños. Irani reconoció a MIT Technology Review que esto último todavía no existe. Según el Weizmann, decodificar video, como ocurre al soñar, es especialmente difícil: las imágenes cambian decenas de veces por segundo y un escáner tarda unos dos segundos.

Conviene no confundir dos trabajos del mismo laboratorio. Brain-IT, el decodificador, es el artículo de ICLR 2026. El «codificador cerebral universal» está en las actas del congreso Cognitive Computational Neuroscience (CCN), celebrado del 3 al 6 de agosto de 2026 en la Universidad de Nueva York.